Video: Software Testing Tutorials for Beginners 2025
Lo scopo degli algoritmi di clustering e classificazione è di dare un senso e di estrarre valore da grandi serie di dati strutturati e non strutturati. Se stai lavorando con enormi volumi di dati non strutturati, ha senso cercare di suddividere i dati in una sorta di raggruppamenti logici prima di tentare di analizzarli.
Il clustering e la classificazione ti consentono di dare un'occhiata in massa ai tuoi dati in massa e quindi di creare alcune strutture logiche basate su ciò che trovi lì prima di approfondire l'analisi dei dadi e bulloni.
Nella loro forma più semplice, cluster sono insiemi di punti dati che condividono attributi simili e algoritmi di clustering sono i metodi che raggruppano questi punti dati in diversi cluster in base alle loro somiglianze. Vedrai algoritmi di clustering usati per la classificazione delle malattie nelle scienze mediche, ma li vedrai anche usati per la classificazione dei clienti nelle ricerche di marketing e per la valutazione del rischio per la salute ambientale nell'ingegneria ambientale.
Esistono diversi metodi di clustering, a seconda di come si desidera dividere il set di dati. I due tipi principali di algoritmi di clustering sono
-
Hierarchical: Algorithms crea insiemi separati di cluster nidificati, ciascuno nel proprio livello gerarchico.
-
Partitional: Algorithms crea solo un singolo set di cluster.
È possibile utilizzare gli algoritmi di clustering gerarchico solo se si conosce già la distanza di separazione tra i punti di dati nel set di dati. L'algoritmo k-closest neighbor descritto in questo capitolo appartiene alla classe gerarchica degli algoritmi di clustering.
Potresti aver sentito parlare di classificazione e pensato che la classificazione è la stessa cosa del clustering. Molte persone lo fanno, ma questo non è il caso. In classifica, prima di iniziare, conosci già il numero di classi in cui i tuoi dati dovrebbero essere raggruppati e sai già quale classe desideri assegnare a ogni punto di dati. Nella classificazione, i dati nel set di dati da cui apprendere sono etichettati.
Quando si utilizzano gli algoritmi di clustering, d'altra parte, non si dispone di un concetto predefinito per quanti cluster sono appropriati per i dati e si fa affidamento sugli algoritmi di clustering per ordinare e raggruppare i dati nel modo più appropriato. Con le tecniche di clustering, stai imparando dai dati senza etichetta.
Per meglio illustrare la natura della classificazione, date un'occhiata a Twitter e al suo sistema di hash-tagging.Dì che hai appena preso la tua bevanda preferita in tutto il mondo: un latte caramellato ghiacciato di Starbucks. Sei così felice di avere il tuo drink che decidi di twittare su di esso con una foto e la frase "Questo è il miglior latte EVER! #StarbucksRocks. "Beh, naturalmente, includi" #StarbucksRocks "nel tuo tweet in modo che il tweet entri nel flusso #StarbucksRocks ed è classificato insieme a tutti gli altri tweet che sono stati etichettati come #StarbucksRocks. Il tuo uso dell'etichetta dell'hashtag nel tuo tweet ha detto a Twitter come classificare i tuoi dati in un gruppo riconoscibile e accessibile, o cluster .
